Logistic 回归 损失函数推导及参数更新

Logistic 回归 损失函数推导及参数更新

Logistic 回归属于广义的线性模型,联系函数为sigmoid函数

广义的线性模型为y=g(wTx+b)y = g(\boldsymbol{w^Tx} + b)y=g(wTx+b),函数g(.)g(.)g(.)起到了将线性回归模型预测值和真实标记联系起来的作用,称为“联系函数”(link function)。使得g−1(y)g^{-1}(y)g1(y)wTx+b\boldsymbol{w^Tx}+bwTx+b形成线性关系。

模型
z=wTx+by=11+e−z z = \boldsymbol{w^Tx}+b\\ y = \frac{1}{1+e^{-z}} z=wTx+by=1+ez1

损失函数推导
采用极大似然估计来推导损失函数。
先写出正负样本的概率预测值:
p(y∗=1∣x;w,b)=yp(y∗=0∣x;w,b)=1−y \begin{aligned} p(y^*=1|\boldsymbol{x};\boldsymbol{w}, b) &= y\\ p(y^*=0|\boldsymbol{x};\boldsymbol{w}, b) &= 1-y\\ \end{aligned} p(y=1x;w,b)p(y=0x;w,b)=y=1y
统一两个式子得到:
p(y∗∣x;w,b)=yy∗(1−y)1−y∗ p(y^*|\boldsymbol{x};\boldsymbol{w}, b) = y^{y^*}(1-y)^{1-y^*} p(yx;w,b)=yy(1y)1y
假设样本独立且同分布,要让对每个样本的概率值更接近其所属分类,列出极大似然函数:
L(w;b)=∏i=1mp(yi∗∣xi,w,b)=∏i=1myiyi∗(1−yi)1−yi∗ L(\boldsymbol{w};b) = \prod_{i=1}^{m}p(y_i^*|\boldsymbol{x_i}, \boldsymbol{w}, b) = \prod_{i=1}^{m}y_i^{y_i^*}(1-y_i)^{1-y_i^*} L(w;b)=i=1mp(yixi,w,b)=i=1myiy<

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值